一种基于人工智能的角膜塑形镜智能验配整体解决方案

摘要

本发明公开了一种基于人工智能的角膜塑形镜智能验配整体解决方案，包括输入数据组件、应用数据库组件、自动调用模型预测组件和前端展示组件，用户/医生在输入数据组件中输入患者的视光数据，应用数据库组件自动地将数据输入到应用数据库中并且保存，等待模型组件进行调用；自动调用模型预测组件自动检测到应用数据库组件更新完数据，然后将已经训练好的模型文件调取出来，直接对新保存的数据进行预测；前端展示组件接收预测结果，即选片参数结果，并将结果展示到软件界面中以供用户/医生查看。

说明书

技术领域

本发明涉及角膜塑形镜验配技术领域，特别涉及一种基于人工智能的角膜塑形镜智能验配整体解决方案。

背景技术

传统的验光步骤中，由于厂商和医生之间属于互盲状态，即厂商不知道患者的具体验光数据，医生不知道厂商生产的具体规格计算方式，导致对于患者的角膜塑形镜验配只能通过经验不断地尝试匹配。

基于上述现有的验配方式，存在着如下缺点：

1、没有确切的理论支持验光医生如何选择角膜塑形镜的参数；

2、多次选择和佩戴都是由医生经验所决定的，容易造成患者角膜不舒适；

3、厂商无法制造出有针对性的角膜塑形镜来帮助特殊患者；

4、验配过程繁琐耗时，不利于医生展开后续工作等。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于人工智能的角膜塑形镜智能验配整体解决方案。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种基于人工智能的角膜塑形镜智能验配整体解决方案，包括输入数据组件、应用数据库组件、自动调用模型预测组件和前端展示组件，用户/医生在输入数据组件中输入患者的视光数据，应用数据库组件自动地将数据输入到应用数据库中并且保存，等待模型组件进行调用；自动调用模型预测组件自动检测到应用数据库组件更新完数据，然后将已经训练好的模型文件调取出来，直接对新保存的数据进行预测；前端展示组件接收预测结果，即选片参数结果，并将结果展示到软件界面中以供用户/医生查看。

进一步优选为，还包括计算结果存储组件，其将预测计算后的结果进行存储，即将结果返回到应用数据组件中，保存新的数据结果，以便之后模型需要重新训练的时候使用，同时把结果数据传递到前端展示组件中进行展示。

进一步优选为，自动调用模型预测组件设置有定时训练，即当新输入数据达到一定量的时候，模型有必要完成新的训练，以获得更好的预测参数。

进一步优选为，自动调用模型预测组件在获取数据之后，依次进行特征筛选、模型训练、模型预测步骤。

进一步优选为，特征筛选具体将患者数据和验配参数值做相关性的检验以及数据自身的分布检验，筛选出具有高价值的影响因子，即特征。

进一步优选为，模型训练利用筛选出来具有高价值的影响因子，假设为X，同验配参数Y，建立一一对应的关系，最后得到一个隐式方程：Y->f(X)。

综上所述，本发明对比于现有技术的有益效果为：

采用机器学习算法来自动获取角膜塑形镜选片参数，算法会首先根据已有的数据，在训练过程中会获取到数据背后的规律，即找到影响角膜塑形镜选片参数的因子与选片参数之间的确定性关系，最后呈现一个统一的计算逻辑，能够避免因为视光医生经验不足、厂商规格不同等因素带来的难以适配的缺陷，并且该发明可以非常有效地辅助视光医生提升选片的效率和准确率。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1为实施例各组件的流程图；

图2为实施例角膜塑形镜选片流程。

具体实施方式

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。说明书中的“实施例”或“实施方式”既可表示一个实施例或一种实施方式，也可表示一些实施例或一些实施方式的情况。

本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

需要说明的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。

一种基于人工智能的角膜塑形镜智能验配整体解决方案，包括输入数据组件、应用数据库组件、自动调用模型预测组件、计算结果存储组件和前端展示组件。

具体的流程如图1所示，现对每一个组件的解释如下：

1、用户输入数据组件：该组件为一个前端设置页面，用户通过登录软件页面之后，选择AI-choose界面，就会出现需要输入患者的视光数据，包括眼轴长度、裸眼视力、平坦K值、陡峭K值等等，这种交互式界面可以友好地帮助用户使用该软件。

2、应用数据库组件：该组件通过用户点击上述组件之后，自动地将数据输入到应用数据库中并且保存，等待模型组件进行调用。

3、模型预测组件：该组件可以自动检测到应用数据库组件更新完数据，然后该组件将已经训练好的模型文件调取出来，直接对新保存的数据进行预测；同时，该模型组件也可以设置定时训练，即当新输入数据达到一定量的时候，模型有必要完成新的训练，以获得更好的预测参数，辅助医生完成角膜塑形镜选片工作。

4、结果存储组件：该组件主要是将模型计算后的结果进行存储，即将结果返回到应用数据组件中，保存新的数据结果，以便之后模型需要重新训练的时候使用。同时该组件也会把结果数据传递到下一个组件。

5、前端展示组件：主要接收结果存储组件的选片参数结果，并且将结果展示到软件界面中以供用户查看。

对于上述利用到的数据，实际具有一个角膜塑形镜验配表；

字段：平坦K值、性别、年龄、陡峭K值、e值、角膜直径、裸眼视力值、角膜地形图值、验配参数值、环曲等；

字段对应关系：不同的个例数据都是一一对应的，但是有可能验配参数是一致的，即多种情况可能会对应一种验配参数。

自动调用模型预测组件在获取数据之后，依次进行特征筛选、模型训练、模型预测步骤，在特征筛选之前还会进行数据清洗，参照图2所示，具体如下：

Step_1.数据清洗：剔除采集到的不规整视光数据以及一些验配不良好情况下的数据，同时部分数据需要进行归一化的处理。

Step_2.特征筛选：对清理出来的数据，将数据和验配参数值做相关性的检验以及数据自身的分布检验，筛选出具有高价值的影响因子，即特征。

Step_3.模型训练：利用筛选出来的因子，假设为X，和验配参数Y，建立一一对应的关系，最后得到一个隐式方程：Y->f(X)。

Step_4.模型预测：基于上一步的训练好的模型，获取得到模型参数和文件，从而可以对新的数据进行预测，得到新的结果以帮助用户更快验配选片。

以上所述仅是本发明的示范性实施方式，而非用于限制本发明的保护范围，本发明的保护范围由所附的权利要求确定。